tensorflow使用输入作为损失函数

Question

我正在使用tensorflow/keras，我想在损失函数中使用输入

根据这里的答案

基于输入数据的Keras自定义损失函数

我这样创建了损失函数

def custom_Loss_with_input(inp_1):
def loss(y_true, y_pred):
b = K.mean(inp_1)
return y_true - b
return loss

并设置模型，所有图层都像这样结束

model = Model(inp_1, x)    
model.compile(loss=custom_Loss_with_input(inp_1), optimizer= Ada)   
return model

然而，我得到以下错误:

TypeError: Cannot convert a symbolic Keras input/output to a numpy array. This error may indicate that you're trying to pass a symbolic value to a NumPy call, which is not supported. Or, you may be trying to pass Keras symbolic inputs/outputs to a TF API that does not register dispatching, preventing Keras from automatically converting the API call to a lambda layer in the Functional Model.

对于如何消除这个错误有什么建议吗?提前感谢

Answer 1

您可以使用add_loss将外部层传递给您的损失，在您的情况下是输入张量。

下面是一个例子:

def CustomLoss(y_true, y_pred, input_tensor):
b = K.mean(input_tensor)
return K.mean(K.square(y_true - y_pred)) + b
X = np.random.uniform(0,1, (1000,10))
y = np.random.uniform(0,1, (1000,1))
inp = Input(shape=(10,))
hidden = Dense(32, activation='relu')(inp)
out = Dense(1)(hidden)
target = Input((1,))
model = Model([inp,target], out)
model.add_loss( CustomLoss( target, out, inp ) )
model.compile(loss=None, optimizer='adam')
model.fit(x=[X,y], y=None, epochs=3)

如果你的损失是由不同的部分组成的，你想要跟踪它们，你可以根据损失部分添加不同的损失。这样，在每个历元结束时打印损耗并存储在model.history.history中。请记住，训练过程中最小的最终损失是各种损失部分的总和。

def ALoss(y_true, y_pred):
return K.mean(K.square(y_true - y_pred))
def BLoss(input_tensor):
b = K.mean(input_tensor)
return b
X = np.random.uniform(0,1, (1000,10))
y = np.random.uniform(0,1, (1000,1))
inp = Input(shape=(10,))
hidden = Dense(32, activation='relu')(inp)
out = Dense(1)(hidden)
target = Input((1,))
model = Model([inp,target], out)
model.add_loss(ALoss( target, out ))
model.add_metric(ALoss( target, out ), name='a_loss')
model.add_loss(BLoss( inp ))
model.add_metric(BLoss( inp ), name='b_loss')
model.compile(loss=None, optimizer='adam')
model.fit(x=[X,y], y=None, epochs=3) 

在推理模式下使用模型(从输入中删除目标):

final_model = Model(model.input[0], model.output)
final_model.predict(X)